Deep Learning::Eu quero embarcar! IoT & CNNs com Raspberry Pi

Material para desenvolver uma câmera inteligente com Deep Learning 
embarcado em um Single-Board Computer como o Raspberry Pi ou o ODROID.

Para quem se interessar em realizar seus experimentos em aula, temos 
as duas plataformas disponíveis para você realizar seus trabalhos!

Raspberry Pi

rpi

Tutoriais

  1. How to easily Detect Objects with Deep Learning on Raspberry Pi (Tutorial muito completo, inclusive com algumas pinceladas de  teoria)
  2. Make Art with Python: Building a Poor Man’s Deep Learning Camera in Python (a famosa câmera automática no meio do mato para detectar passarinhos… com YOLO e TF)
  3. Raspberry Pi meets AI: The projects that put machine learning on the $35 board (14 projetos com Deep Learning e RPi – geralmente redes pré-treinadas)
  4. PyImagesearch: Keras and deep learning on the Raspberry Pi
  5. PyImagesearch: Deep learning on the Raspberry Pi with OpenCV
  6. Raspberry Pi + Deep Learning home security system – From start to finish
  7. Raspberry Pi and machine learning: How to get started

Produtos & Inovações

  1. Towards Data Science::Democratizing Deep Computer Vision for Once and for All — TensorCam

Benchmarks

Alguns dos tutoriais acima também trazem benchmarks ad-hoc…

  1. Deep Neural Network Benchmark with Raspberry Pi 2, 3 and 3+

Links

  1. BerryNet: https://github.com/DT42/BerryNet

ODROID XU4

odroid2

O ODROID é um single-board computer muito mais poderoso do que o Raspberry Pi mas que tem um preço acessível. O modelo mais interessante é o ODROID XU4, um modelo de desempenho médio, com 8 cores em duas CPUs ARM (de especificações diferentes!) e uma GPU Mali. Ele opera tanto com Android como com Ubuntu Linux (as duas distros oficiais) e outros sistemas contribuídos.

odroid1

Infos::ODROID

  1. ODROID
  2. O Nosso:ODROID-XU4
  3. ODROID WIKI
  4. Ubuntu para ODROID

Tutoriais e Experimentos com CNNs::ODROID

Tutoriais

  1. Getting Started With Ubuntu 18.04 On The ODROID-XU4: A Beginner’s Guide | ODROID Magazine
  2. Install OpenCV and TensorFlow on ODROID

Experimentos

  1. Detecção de Objetos::Running YOLO On ODROID: YOLODROID
  2. Detecção de Objetos::Python Faster R-CNN Demo adapted to run in a ODROID XU4 with a ROS node
  3. Object Detection in Live Video: Using The ODROID-XU4 With GStreamer
  4. Object Tracking Using oCam and ODROID-XU4: An Easy Step-By-Step Guide To Object Tracking

Links::ODROID

  1. Artigo::DroNet: Efficient Convolutional Neural NetworkDetector for Real-Time UAV Applications

Sobre o Autor

possui graduação em Ciências da Computação pela Universidade Federal de Santa Catarina (1989) e Doutorado Acadêmico (Dr. rer.nat.) em Ciências da Computação pela Universidade de Kaiserslautern (1996). Atualmente é professor Titular da Universidade Federal de Santa Catarina, onde é professor do Programa de Pós-graduação em Ciência da Computação e dos cursos de graduação em Ciências da Computação e Sistemas de Informação. Tem experiência nas áreas de Informática em Saúde, Processamento e Análise de Imagens e Engenharia Biomédica, com ênfase em Telemedicina, Telerradiologia, Sistemas de Auxílio ao Diagnóstico por Imagem e Processamento de Imagens Médicas, com foco nos seguintes temas: analise inteligente de imagens, DICOM, CBIR, informática médica, visão computacional e PACS. Coordena o Instituto Nacional de Ciência e Tecnologia para Convergência Digital - INCoD. Foi o criador e primeiro Coordenador do Núcleo de Telessaúde de Santa Catarina no âmbito do Programa Telessaúde Brasil do Ministério da Saúde e da OPAS - Organização Pan-Americana de Saúde e criador do Núcleo Santa Catarina da RUTE - Rede Universitária de Telemedicina.